情感识别是人机交互领域的一项重要的应用。语音作为人类交流的重要媒介,也是信息传递的重要的载体,同时也是人类与计算机交互里面最重要也是最自然的一部分。语音情感识别作为情感识别的一部分,其通过语音来分析人类细微情感变化,推测人类心理,在实际应用也起到重要作用。比如,客服反馈系统、刑事审讯、教学管理以及医疗服务等。近年来,人们利用人工智能和深度学习技术来处理了语音领域的一些问题,语音情感识别作为语音领域的一部分取得了巨大的成功。但是在更多的实际情况中,我们面对的是有环境噪声干扰、语音片段不一、包含大量静音等对语音情感识别起干扰的真实环境语音,语音情感识别仍是一项艰巨的任务。为了解决语音中说话人所在环境噪声、静音片段、语料情绪分布不均匀等问题,本文提出了一个基于语音上下文位置增强和带权空间的语音情感识别框架,主要工作如下:（1）提出了基于语音上下文的位置增强方法。该方法旨在通过自适应学习和循环神经网络在时域上的记忆特性让模型关注到语音上下文信息对整个情感模块的作用,提升上下文信息对部分语音情感递进的影响。具体是通过改进Transformer的编码器部分,通过上下文位置的自适应学习,同时引入循环神经网络特征,来引导网络去主动地学习语音中上下文的情感传递,来提高网络对于情感的识别效率。（2）提出了带权空间的头空间增强方法。对位置特征以及原始特征进行选择。该模型利用Transformer编码器的头空间部分,利用头空间加权对一段语音的关键帧进行增强,借此来加强局部语音片段帧对整个语音的情感类别的影响,从而减少语料情绪分布不均匀以及噪声对于整个语音情感识别的影响。最终将以上两个方法在整个Transformer编码器部分网络进行改进,在IEMOCAP数据集WAR达到了70.3%,UAR达到了70.9%,F1值达到了70.0%,比基线模型Transformer编码器部分应用至语音情感识别WAR和UAR分别提升了2.0%和6.6%,与类似精度表现优秀的方法比较UAR和F1值分别提升了1.5%和0.7%。